随机实验是评估变化对现实世界系统影响的黄金标准。这些测试中的数据可能难以收集,结果可能具有高度差异,从而导致潜在的大量测量误差。贝叶斯优化是一种有效优化多个连续参数的有前途的技术,但是当噪声水平高时,现有方法降低了性能,限制了其对多个随机实验的适用性。我们得到了一个表达式,用于预期的改进,具有噪声观察和噪声约束的批量优化,并开发了一种准蒙特卡罗近似,可以有效地进行优化。使用合成函数进行的仿真表明,噪声约束问题的优化性能优于现有方法。我们通过在Facebook上进行的两个真实的实验来进一步证明该方法的有效性:优化排名系统和优化服务器编译器标志。
translated by 谷歌翻译
在双足步态设计文献中,产生稳定的3D步行步态的常见方法之一是将正面和矢状控制器设计为解耦动力学。然而,如果与矢状动力学相比,对解耦前额动力学的研究仍未得到充分研究。在本文中,通过扩展混合零动态框架来处理正面步态设计问题,提出了一种正面动态稳定问题的形式化方法。
translated by 谷歌翻译
丰富的开源代码,加上最近在自然语言处理深度学习方面取得的成功,已经引起了机器学习对源代码的新应用。在这项工作中,我们探索在Python源代码上使用Siamese递归神经网络模型来创建捕获代码语义的向量。我们通过识别代码解决的编程竞争中的哪个问题来评估嵌入的质量。我们的模型明显优于令牌嵌入,为改进可用于未来软件工程任务的代码嵌入提供了有希望的结果。
translated by 谷歌翻译
交互转换(IT)是SymbolicRegression的新表示,它将搜索空间限制为更简单但富有表现力的函数形式。这种表示具有创建平滑空间空间的优点,与表达树生成的空间不同,表达树是遗传编程中常用的表示。本文介绍了一种能够演化仅由变异算子支持的IT表达群体的进化算法。结果表明,与传统方法和最先进的GeneticProgramming算法相比,这种表示能够找到更好的近似实际数据集。
translated by 谷歌翻译
数百万视障人士依靠亲戚和朋友来完成他们的日常工作。实现自给自足的一个相关步骤是为他们提供核实支付机器中的价值和操作的手段。在这项工作中,我们开发并发布了一款名为Pay Voice的智能手机应用程序,该应用程序使用图像处理,光学字符识别(OCR)和语音合成来识别POS和PIN键盘机中的价值和操作,从而通知用户听力和视觉反馈。由于显示质量较高,所提出的方法为价值和操作识别提供了显着的结果,特别是对于POS。重要的是,我们实现了关键性能指标,即在现实场景中超过80%的准确度,并且低于5美元$秒的识别处理时间。 Pay Voice可在Google Play和AppStore上免费公开发布。
translated by 谷歌翻译
我们提出了iW-Net,这是一种深度学习模型,可以对计算机断层扫描图像中的肺结节进行自动和相互作用分割。 iW-Netis由两个块组成:第一个块提供自动分割,第二个块允许通过分析用户在结节边界中引入的2个点来纠正它。为此,提出了一种考虑用户输入的物理启发权重,它既可以用作特征图,也可以用作系统的损失函数。我们的方法在公共LIDC-IDRI数据集上进行了广泛的评估,在这些数据集中,我们实现了0.55交叉联合的最佳性能与0.59的inter-observeragreement。此外,我们表明,iW-Net可以纠正小结节的分割,这对于正确的患者转诊决定至关重要,并且可以改善具有挑战性的非实体结节的分割,因此可能是增加肺癌早期诊断的重要工具。
translated by 谷歌翻译
暴力是巴西的流行病,也是世界范围内崛起的一个问题。移动设备提供的通信技术可用于监控暴力情况。然而,当前的解决方案,如恐慌按钮或安全词,可能会增加暴力情况下的生命损失。我们提出了一种嵌入式人工智能解决方案,使用自然语言和语音处理技术,默默地提醒那些可以帮助解决这种情况的人。使用的语料库包含400个正面短语和800个否定短语,总共1,200个句子,使用两种用于自然语言处理任务的知识提取方法进行分类:词袋和词汇表,并用支持向量机分类。我们在开发过程中描述了概念上的防伪产品,并取得了令人满意的结果,表明了对商业产品的不满。更重要的是,我们通过文字嵌入和数据增强技术表明模式改进提供了一种本质上稳健的模型。最终的嵌入式解决方案还具有小于10 MB的小脚印。
translated by 谷歌翻译
我们提出了UOLO,一种用于医学图像中感兴趣结构的同时检测和分割的新型框架。 UOLO由对象分割模块组成,该对象分割模块处理中间抽象表示并用作对象检测的输入。由此产生的系统被同时优化以检测一类物体并分割出一些不同类型的结构。 UOLO在一组边界框上进行训练,这些边界框包含要检测的对象以及像素方式的分割信息(如果可用)。设计了新的损失函数,考虑是否可以为每个训练图像访问参考分割,以便适当地反向传播误差。我们验证UOLO在同步视盘(OD)检测,中央凹检测和视网膜图像OD分割的任务,实现公共数据集的最先进性能。
translated by 谷歌翻译
在这项工作中,我们考虑在每个观察是加权网络的数据集上进行假设检验和异常检测。此类数据的示例包括来自fMRI流数据的大脑连接网络,或针对个体群体的单词共现计数。当前用于加权网络的假设检验的方法通常需要对边缘权重进行阈值处理,以将数据转换为二进制网络。这导致信息丢失,结果对阈值水平的选择敏感。我们的工作避免了这种情况,我们在两种情况下考虑加权图观察,1)图表属于两个群体之一,2)实体属于两个群体中的一个,每个实体拥有多个图表(indexede.g。 )。具体来说,我们提出了一个分层的贝叶斯假设框架,该框架使用加权网络的潜在空间模型的混合对每个群体进行建模,然后测试网络群体在分量上的差异。我们的框架能够进行人口级别,实体特定以及边缘特定的假设检验。我们将其应用于合成数据和三个真实世界的数据集:两个社交媒体中心,涉及来自Twitter的政治动荡的讨论中的单词共现。巴西,以及关于注意力缺陷多动障碍(ADHD)和抑郁症药物的Instagram,以及一个针对人类受试者的fMRI脑扫描的医学数据。结果表明,与需要阈值边缘权重的替代方法相比,我们提出的方法具有更低的I类误差和更高的统计功效。此外,他们表明我们提出的方法更适合处理高度异构的数据集。
translated by 谷歌翻译
极早产儿通常需要在生命的最初几天进行气管内插管和机械通气。由于长期有创机械通气(IMV)的不利影响,临床医生的目标是在婴儿认为准备就绪后立即进行分娩。不幸的是,用于预测拔管准备的现有策略在临床医生和机构中是不同的,并且导致高再插管率。我们提出了一种方法,使用随机森林分类器来分析心肺功能变异性,预测拔管准备情况。我们通过在一个包中训练每个决策树之前对大多数类中的示例进行随机欠采样来解决数据不平衡的问题。通过结合临床domainknowledge,我们进一步证明我们的分类器可以确定71%的拔管失败的婴儿,同时保持78%的成功检测率。
translated by 谷歌翻译